通过学习确定性策略实现自动数据增强
计算机视觉与模式识别
2019-10-23 v2 机器学习
摘要
为生成充足且多样的训练样本，数据增强已被证明在训练深度模型方面行之有效。鉴于最佳增强的准则难以定义，本文提出一种新颖的基于学习的增强方法DeepAugNet，其将最终增强数据表述为若干顺序增强子集的集合。具体而言，通过深度强化学习学习确定性增强策略，要求当前增强子集相比上一增强子集最大化性能提升。通过引入统一优化目标，DeepAugNet旨在以端到端训练方式结合数据增强与深度模型训练，这通过同时训练竞争深度Q学习算法与代理深度模型的混合架构实现。我们在包括Fashion MNIST、CUB、CIFAR-100与WebCaricature在内的多个基准数据集上广泛评估了所提DeepAugNet。与当前SOTA相比，我们的方法在小型数据集上可取得显著提升，在大型数据集上性能相当。代码将很快公开。
引用
@article{arxiv.1910.08343,
title = {Automatic Data Augmentation by Learning the Deterministic Policy},
author = {Yinghuan Shi and Tiexin Qin and Yong Liu and Jiwen Lu and Yang Gao and Dinggang Shen},
journal= {arXiv preprint arXiv:1910.08343},
year = {2019}
}
备注
Sorry for withdrawing our paper, there exists a mistake in the experiment, and we will reupload once we have fixed it